Agent Knowledge Transfer Loop - 2026-05-23
Goal
Pantheon, LLM Wiki, persona/agent learnings, Slack 결정, PR 회고에서 늘어나는 노하우를 사용자가 뒤처지지 않게 흡수한다. 핵심은 사용자가 문서를 찾아보게 하는 것이 아니라, 시스템이 먼저 지식을 주입하고 이해 여부를 확인한 뒤 장기 메모리로 관리하는 것이다.
Core Rule
지식 전달은 Push → Teach-back → Grade → Memory 순서로만
완료된다.
- Push: 시스템이 먼저 짧은 lesson을 보낸다.
- Teach-back: 사용자가 자기 말로 설명한다.
- Grade: 에이전트가 이해도를 판정하고 오개념을 교정한다.
- Memory: 통과한 것은 장기 메모리/복습 큐로 보내고, 미통과는 재질문한다.
사용자가 문서를 열어 읽어야만 아는 구조는 실패로 간주한다.
Sources
| Source | Captures | Owner |
|---|---|---|
| Pantheon persona learnings | Jarvis/Raphael/Asurada/Nano/Navis 운영 노하우 | Jarvis |
| Claude agent learnings | spec, implement, review, wrap-up 실패/성공 패턴 | Codex |
| Slack decisions | 사용자가 내린 전략/권한/우선순위 결정 | Jarvis |
| Linear/PR history | 실제 구현 중 발견된 운영 결함과 해결책 | Codex |
| hangman-docs learning/synthesis | 사용자 학습 지식과 장기 복습 자산 | Raphael/Codex |
Routing
| Route | When | Output |
|---|---|---|
| Active drip | 사용자가 알아야 할 새 노하우 | Slack에 1개 lesson + 1개 확인 질문 |
| Interview injection | 면접 답변 품질을 즉시 올리는 지식 | #study 질문/피드백에 녹여서 주입 |
| Teach-back check | 사용자가 이해했는지 확인 필요 | 사용자의 설명을 0-2점으로 채점 |
| Memory update | 이해 통과 또는 반복 약점 발견 | learning/*.md, Notion metadata, spaced repetition |
| Synthesis | 여러 learning에서 반복되는 패턴 | synthesis/*.md + 다음 lesson 후보 |
| Backlog | 자동화/구현이 필요한 운영 개선 | Linear sub-issue |
Active Lesson Format
#leaders 또는 #study에는 아래 형식의 짧은
lesson을 시스템이 먼저 보낸다. 사용자가 문서를 찾아보지 않아도 핵심을
이해할 수 있어야 한다.
*Knowledge Drip — {topic}*
*핵심*
- 1-3줄로 설명
*왜 중요한가*
- 사용자의 면접/운영/개발 판단에 연결
*예시*
- 실제 Pantheon/LLM Wiki/면접 답변 사례
*확인 질문*
- 지금 내용을 본인 말로 3-5문장으로 설명해보세요.Grade Rubric
사용자 답변은 즉시 채점한다.
| Score | Meaning | Action |
|---|---|---|
| 2 | 정확히 이해했고 실무/면접에 전이 가능 | 장기 메모리 등록 + Day 7 복습 예약 |
| 1 | 방향은 맞지만 오개념/누락 있음 | 교정 nugget + 짧은 재질문 |
| 0 | 핵심을 놓침 | 더 쉬운 비유/예시로 재주입 |
Assimilation Formats
| Format | Time Cost | Use Before Interview? | Purpose |
|---|---|---|---|
| 30-second nugget | 30초 | Yes | 면접 답변에 바로 쓰는 한 줄 |
| Feynman question | 3-5분 | Yes | 알고 있다고 착각한 지식 검증 |
| Knowledge drip | 3-7분 | Yes | 시스템이 먼저 지식을 부어주고 확인 |
| Weekly upload | 30분 | After interview | LLM Wiki/Pantheon 운영 지식 흡수 |
| Spaced repetition | 2-5분 | Yes | 장기 기억 전환 |
Interview-Time Constraint
2026-05-26 전까지 #study에는 아래만 허용한다.
- 면접 질문
- 사용자의 답변에 대한 교정
- 답변 품질을 올리는 30초 nugget
- 다음 질문
운영 지식, 시스템 변경, 티켓 상태, 에이전트 R&R 변화는
#leaders에서 active drip으로만 주입한다. 단순 링크/브리핑만
올리는 것은 부족하다.
Memory Contract
Teach-back 결과는 아래처럼 처리한다.
| Result | Storage | Next |
|---|---|---|
| Score 2 | learning/*.md 또는 기존 문서 업데이트 |
Day 7/37/127 복습 큐 |
| Score 1 | 같은 topic에 weak point 기록 | 24h 이내 재질문 |
| Score 0 | lesson 재작성 | 더 쉬운 예시로 즉시 재주입 |
| 반복 약점 | synthesis/*.md 또는 curriculum 업데이트 |
면접 질문 큐에 재삽입 |
Immediate Next Step
첫 적용은 브리핑이 아니라 active lesson으로 한다.
- Topic: “왜 Knowledge Brief만으로는 부족한가”
- 사용자에게 3-5문장 teach-back 요청
- 답변을 0-2점으로 채점
- 통과 시 HAN-338의 첫 successful assimilation으로 기록
2026-05-24 Addendum: Wansu/Northstar Learning Intake
이번 Wansu/Northstar 설계 대화에서 추가된 운영 지식은 “문서 생성”만으로 완료하지 않는다. 새 페르소나 생성법, Slack app 설정법, 코드 리뷰 도구 선택 기준처럼 사용자가 이후 의사결정에 재사용해야 하는 내용은 아래 3개 경로로 동시에 남긴다.
| Knowledge | Storage | Active follow-up |
|---|---|---|
| 새 Slack persona app 생성 절차 | reports/wansu-slack-persona-playbook-2026-05-24.md |
다음 persona 생성 요청 시 체크리스트로 재사용 |
| 코드 리뷰 도구 선택 기준 | advisories/2026-05-24-code-review-strategy.md |
PR 리뷰 자동화 설계 전 질문으로 재확인 |
| 사용자의 학습 선호 | 이 문서의 Memory Contract | “읽어보세요” 대신 lesson + teach-back으로 전달 |
New rule: 사용자가 “지식화”를 요청하면 저장 위치만 보고하지 말고, 사용자가 이미 이해했는지 확인할 첫 질문까지 같이 준비한다.
See also: example: Wansu Slack persona playbook · example: Code review strategy